本篇论文来自IJCAI2025，最新前沿时序技术，提出了T2S模型与TSFragment-600K数据集，T2S模型是首个领域无关的文本引导时间序列生成框架，能生成语义对齐的任意长度时间序列。

了解顶会最新技术，紧跟科研潮流，研究与写作才能保持在时代一线，全部49篇IJCAI2025前沿时序合集小时已经整理好了，在功🀄浩“时序大模型”发送“资料”扫码回复“IJCAI2025时序合集”即可自取~其他顶会时序合集也可以回复相关顶会名称自取哈~（AAAI25,ICLR25,ICML25等）

文章信息

论文名称：T2S: High-resolution Time Series Generation with Text-to-Series Diffusion Models

论文作者：Yunfeng Ge、Jiawei Li、Yiji Zhao、Haomin Wen、Zhao Li、Meikang Qiu、Hongyan Li、Ming Jin and Shirui Pan

研究背景

现有文本引导时间序列生成（Text-to-Time Series, T2S）存在两大核心挑战：

• 一是缺乏通用的时间序列描述数据集，现有数据集多为特定领域（如医疗、经济），泛化性差；

• 二是模型无法生成任意长度的时间序列，受限于训练数据的固定长度，难以适配真实场景需求。

同时，扩散模型在文本引导图像、音频生成中已获成功，但在时间序列领域应用尚处于早期阶段。

为此，文章提出了T2S模型，以解决上述问题。

模型框架

新的数据集与新模型

新数据集构建：提出TSFragment-600K数据集，包含超 60 万个高分辨率 “时间序列片段 - 文本” 对，填补了片段级（Fragment-level）时间序列描述数据集的空白，平衡了点级（Point-level，细粒度但忽略全局）和实例级（Instance-level，全局但模糊局部）描述的不足。

新模型设计：提出T2S 模型，是首个领域无关的文本引导时间序列生成框架，能生成语义对齐的任意长度时间序列，核心组件包括：

• 长度自适应变分自编码器（LA-VAE）：将不同长度的时间序列编码为统一的 latent 嵌入，解决长度适配问题。

• T2S 扩散 Transformer（T2S-DiT）：以流匹配为扩散骨干，Diffusion Transformer 为去噪器，通过自适应层归一化实现文本表示与 latent 嵌入的对齐。

训练策略与性能：采用交错训练策略，支持多长度数据统一训练

核心技术

时间序列描述分类：首次将时间序列文本描述系统分为三级，明确不同粒度的引导作用：

• 点级（Point-level）：为单个时间点提供标注，细粒度引导。

• 片段级（Fragment-level）：为非重叠连续片段标注，兼顾局部趋势与上下文。

• 实例级（Instance-level）：为整个时间序列提供全局标注，宏观引导。

扩散与对齐机制：

• 采用整流流（Rectified Flow） 实现扩散过程，相比 DDPM 生成质量更高、训练成本更低，通过最小化真实速度与预测速度的 MSE 损失优化模型。

• 引入无分类器引导（Classifier-free Guidance），训练时随机置零文本条件，推理时结合条件与无条件生成结果，平衡灵活性与生成质量。

长度适配与训练优化：

• LA-VAE 通过上采样 / 下采样将不同长度时间序列映射到统一 latent 空间，引入 latent 空间一致性损失 ，减少插值导致的失真。

• 交错训练通过随机混合不同长度数据集的样本，避免传统训练的 “灾难性遗忘”，提升模型泛化性。

实验数据

片段级性能（RQ1）：在 6 个数据集（如 ETTh1、汇率、交通）上，T2S 在 MSE、WAPE、MRR@10 三项指标中占据 14/18（77.8%）的最优项，在汇率数据集上 MSE 较 DiffusionTS 降低 56.0%、较 TimeVAE 降低 68.9%。

点级与实例级性能（RQ2）：在 7 个数据集（如 SUSHI、农业、气候）上，T2S 在 MSE 指标中 17/18 次最优，实例级 SUSHI 数据集上 MRR@10 达 0.314，显著优于零样本大模型。

消融实验（RQ3）：移除文本引导、替换流匹配为 DDPM、替换 DiT 为 MLP，分别导致平均误差上升 495.13%、311.00%、877.67%，验证各组件的必要性。

鲁棒性验证（RQ4-RQ5）：CFG 值 7-10、生成步数 20-50 时性能最优；仅用 50% 数据即可达到全量数据 93.8% 的性能，证明数据稀缺场景下的强泛化性。

小小总结

文章通过构建片段级数据集、设计领域无关的 T2S 模型及交错训练策略，解决了文本引导时间序列生成的 “数据集稀缺” 与 “长度固定” 问题，在多领域验证了 SOTA 性能，为 T2S 研究提供了统一的数据集与模型框架，推动了扩散模型在时间序列生成领域的应用。

2025顶会前沿时序合集，攻🀄豪关注“时序大模型”，回复“资料”即可自取~

关注小时，持续学习前沿时序技术！